本文提出了一种 Neuro-Symbolic Program Synthesis 技术，通过计算机程序自动构建特定领域的语言。我们通过使用两种新颖的神经模型，交叉相关的 I/O 网络和递归反向递归神经网络，证明了该方法的有效性。

Nov, 2016

提出了一种基于 NSR 的神经符号递归机制，通过感知、语法解析和语义推理三个模块的联合学习来实现优越的系统化推广，并通过三个不同领域的基准测试取得了 state-of-the-art 的表现结果。

Oct, 2022

这篇研究论文介绍了 REG-NAS (基于回归约束的神经架构搜索)，通过增加网络中的权重共享，将 Neural Architecture Search 中出现的样本级预测不确定性偏差降至最低，通过 Top-1 准确性和负翻转这一构架搜索度量标准，我们证明了 egnas 可以在三个流行的建筑搜索空间中成功地找到合适的架构。与现有的技术相比，REG-NAS 能够使负翻转相对减少 33-48％。

Sep, 2022

本文提出了 R＆R，一种学习数据扩充方案，它通过基于原始训练示例的原型生成模型的重组和生成示例的重新采样来实现大类组合泛化，显著提高了普适性，尤其是在对罕见或看不见的子序列需要组合泛化的环境中，如指令跟踪（SCAN）和形态分析（SIGMORPHON 2018）。

Oct, 2020

本研究介绍了一种神经符号模型，使用极少量的样本学习整个规则系统而非直接从输入输出预测结果，并将学习到的规则系统用于控制人类语言等各个领域，取得了较好的成果。

Mar, 2020

我们提出了一种用于学习算法任务的原创方法，该方法受符号人工智能中的重写系统的启发，该系统由专门的模块组成的神经结构实现，通过系统地应用组合规则来解决超出分布的问题实例。

Feb, 2024

本篇论文提出一种名为 NSRwH 的神经符号回归方法，能够结合用户给定的领域知识，实现精确预测表达式的结构，并在实验中表现出良好的准确性。

Apr, 2023

本文介绍了一种使用深度学习和强化学习实现程序合成的方法，该方法以非可微分机器为基础，并具有递归和强化学习的特点，能够训练出用于生成计算机程序的上下文无关解析器。该方法可实现测试输入在训练样本长度 500 倍以上时的 100％测试准确率。

Jun, 2017

本文提出了一种用于快速启动训练数据集的过程，利用搜索引擎在句法图上获取正例，我们将此技术应用于 TACRED 和 DocRED 的关系，其结果模型与手动注释数据和远程监督方法所训练的模型相比具有竞争力，并且优于使用 NLG 数据增强技术所训练模型的模型。扩展基于搜索的方法使用 NLG 方法可以进一步提高结果。

Feb, 2021

提出一种神经网络引导的程序和不变量综合框架，其利用设计和训练神经网络提取出训练神经网络权重和偏置值上的整数逻辑公式，并用于正 / 反例和蕴含约束的公式合成，具有很好的实验结果，并在 ICE-learning-based CHC 求解、程序验证和归纳不变量合成等方面有重要应用。

Mar, 2021